一，真正差异和统计学差异
常常有人和我说：P值越小，试验结果的差异就越大！而且还有依据[P<0.05是有显著性差异；P<0.01是有极显著性差异]。
其实，这些人忽略了n这个样本数的作用，n的大小会影响P值。但更应该澄清一下的是：P值代表的是统计学差异，并不是真正的差异！真正的差异只能靠平均值或者频度的比较才能得到。
二，卡方检验的局限性
我们知道各组之间的计数资料的比较，要用卡方检验，但有些情况是不行的！！！
1，当样本有小于5的值2X2表时，必须要用Fisher检验才正确！
2，当组与组之间有不同的背景，而这些背景因子还可能会影响到组与组之间结果差异，这是就必须要用 Mantel-Haenszel检验！
3，当样本有小于5的值R×C表时，将某两组合并，用pearson卡方检验。
三，t检验的局限性
1，我们经常用t检验来判别两组病人血清中某种标记物水平上的差异，但这里要注意，有一些血清标记物的水平是不能用t检验的！
比如：血清标记物PSA和AFP，在正常人的水平是很低的，而在病人则明显增加，呈现指数幂次改变，这样一来，血清PSA和AFP水平在每组病人中很容易不是呈现正态分布！这时应该用非参数性检验---即Mann-Whitney U test (Wilcoxon U test)。
2，关于用不用配对t检验，我个人认为当同一组样本在不同时点，不同处理方式的比较上，应该用配对t检验。
四，ANOVA检验的局限性
1，在2组以上计量资料样本比较时，ANOVA检验非常常用。但这个检验只是说明了一个趋势的比较结果，并不能说明真正的统计学差异，真正的差异还要通过每两个点的直接比较，也就是说应该在ANOVA检验后，还必须做两两比较或多重比较，这样才能从全貌上反映出统计的全部结果。
2，既然方差分析得到差别有显著性意义的结论后，还需进行两两比较，有人认为还不如一开始就进行多次t检验更方便，其实，这种认识是不妥当的。t检验用于ANOVA的两两比较将增大第一类错误，产生假阳性，因此要采用特定的方法，在SPSS的one-way ANOVA或General linear models中操作时，Post Hoc(多重比较）对话框内有多种方法可供选择，象两两比较一般用SNK法，而多个试验组和一个对照组的比较则多用dunnett检验。
3，我们经常用 ANOVA检验来判别几组病人血清中某种标记物水平上的差异，但这里要注意，与t检验一样，有一些血清标记物的水平是不能用ANOVA检验的！
五，单元线性相关分析
有时我们常常只注意到了P值大小，可最重要的是r值！
样本数n对P值结果的影响很大，容易让我们产生错觉，其实，相关的存在与否的评价是与r值最直接相关的，如下：当P值小于0.05时，r值：
0.00-0.20几乎没有相关关系
0.20-0.40弱的相关关系
0.40--0.70 有相关关系
0.70--0.90 强相关关系
0.90--1.00极强相关关系
P 值只是证明这个相关在统计学上是否成立！！！
六，Logistic regression分析
在判断某因子对疾病的危险度时常用的方法。
1，假设要判断某因子对疾病的危险度(OR)，要了解这个OR是一个相对危险度，即是有某因子存在和没有某因子存在之间比较的OR值。
2，OR和RR不一样，OR是在Logisticregression model中使用，RR是在Coxproportional hazardmodel中使用。
3，假设要判断某因子对疾病的危险度，要在多变量Logistic regressionmodel中校正一些混扰因素，如常见的年龄，性别，吸烟等等，并最后得出这个 Adjusted OR。但并不是说有了这些校正，我们就可以在实验设计上就不考虑这些混扰因素，相反，必须在实验设计上就把这些混扰因素在实验组和对照组配平，光靠在多变量Logistic regression model中校正是不可靠的。
其它方法---生存分析 （Kaplan-Meier法 Logrank法）：
我们有时在临床研究只注意到了用这种方法分析与生存相关的研究，其实，在疾病复发上也常用这种方法！前者是以生---死为判别，后者则以复发---不复发为判别。
联系客服
